First steps towards quantum machine learning applied to the classification of event-related potentials

Premier pas vers un apprentissage supervisé quantique appliqué aux potentiels évoqués cognitifs

Grégoire Cattan (1) , Alexandre Quemy (2) , Anton Andreev (3)

1 IBM
2 PUT - Poznan University of Technology
3 GIPSA-Services - GIPSA-Services

Low information transfer rate is a major bottleneck for brain-computer interfaces based on non-invasive electroencephalography (EEG) for clinical applications. This led to the development of more robust and accurate classifiers. In this study, we investigate the performance of quantum-enhanced support vector classifier (QSVC). Training (predicting) balanced accuracy of QSVC was 83.17 (50.25) %. This result shows that the classifier was able to learn from EEG data, but that more research is required to obtain higher predicting accuracy. This could be achieved by a better configuration of the classifier, such as increasing the number of shots.

Le faible taux de transfert d’information des interfaces cerveau-machines basées sur l’électroencéphalographie non invasive (EEG) est un obstacle majeur pour les applications cliniques. Cela a conduit au développement de classifieurs plus robustes et plus précis. Dans cette étude, nous étudions les performances d’un classifieur a vecteurs de support quantiquement amélioré (QSVC). La précision équilibrée obtenue lors de la phase d’entrainement (prédiction) avec QSVC était de 83,17 (50,25) %. Ce résultat montre que le classifieur est en mesure d’apprendre à partir des données EEG, mais que des recherches supplémentaires sont nécessaires pour obtenir une plus grande précision de prédiction. Cela pourrait être réalisé par une meilleure configuration du classifieur, comme l’augmentation du nombre d’essais.

Mots clés: Électroencéphalographie (EEG) Interface Cerveau-Ordinateur (ICO) Interface Cerveau-Machine (ICM) Potentiel Evoqué Cognitifs (PEC) P300 Classification Apprentissage supervisé Informatique quantique Machine a vecteurs de support (SVM) Electroencephalography (EEG) Brain-Computer Interface (BCI) Event-Related Potential (ERP) P300 Classification Supervised learning Quantum Computer Support Vector Machine (SVM); Électroencéphalographie (EEG); Interface Cerveau-Ordinateur (ICO); Interface Cerveau-Machine (ICM); Potentiel Evoqué Cognitifs (PEC); P300; Classification; Apprentissage supervisé; Informatique quantique; Machine a vecteurs de support (SVM) Electroencephalography (EEG); Brain-Computer Interface (BCI); Event-Related Potential (ERP); Supervised learning; Quantum Computer; Support Vector Machine (SVM)

Domaines: Informatique; Interface homme-machine [cs.HC]; Neurosciences; Machine Learning [stat.ML]

Grégoire Cattan, Alexandre Quemy, Anton Andreev. First steps towards quantum machine learning applied to the classification of event-related potentials. 1, IBM; Poznan University of Technologies; GIPSA-lab. 2023. ⟨hal-03969099⟩